Yapay Zeka Gıda Tarama Hataları Ne Oluyor?

Öğle yemeğinizin fotoğrafını çekiyorsunuz, yapay zeka bir kalori sayısı veriyor ve gününüze devam ediyorsunuz. Ama o sayı 200 kalori yanlışsa ne olur? Bunu bilemezsiniz. Hiçbir alarm, uyarı veya görsel gösterge yok. Yanlış sayı, günlük kaydınızda doğru olanla aynı güvenle duruyor. Ve bu, çoğu insanın düşündüğünden çok daha sık oluyor.

2023 yılında Journal of the Academy of Nutrition and Dietetics'te yayınlanan bir çalışmada, ticari yapay zeka gıda tanıma sistemleri, diyetisyen onaylı değerlendirmelere karşı test edildi ve karışık yemekler için ortalama mutlak hata oranlarının %25-40 arasında olduğu bulundu. Bu, ara sıra değil — ortalama olarak. Basit, tek bileşenli gıdalarda hata oranları %5-15'e düştü. Ancak gerçek dünyadaki çoğu yemek, beyaz bir tabakta tek bir muz değildir.

Önemli olan soru, yapay zeka gıda taramanın hata yapıp yapmadığı değil. Yapıyor. Önemli olan, sonrasında ne olduğu. Ve bu, tamamen hangi uygulamayı kullandığınıza bağlı.

En Yaygın 7 Yapay Zeka Gıda Tarama Hatası

Her uygulamanın hataları nasıl ele aldığını incelemeden önce, en büyük kalori farklarını yaratan gerçek dünya hata senaryolarına bakalım.

1. Tahıl Değişimi: Kinoanın Kuskus Olarak Tanımlanması

Kinoa ve kuskus, fotoğraflarda neredeyse aynı görünüyor — küçük, soluk, granüler. Ancak pişirilmiş kinoada 100g başına yaklaşık 120 kalori ve 4.4g protein bulunurken, pişirilmiş kuskusta 100g başına yaklaşık 176 kalori ve 6g protein var. Bu, 100g başına 56 kalori fark demek ve tipik bir porsiyon 150-200g'dır.

Kalori etkisi: Yanlış kaydedilen her porsiyonda 84-112 kalori.

Bu, yapay zeka sistemlerinin sürekli olarak zorlandığı bir hata kategorisidir: görsel olarak benzer ama besin profilleri anlamlı şekilde farklı olan gıdalar. Diğer örnekler arasında beyaz pirinç ile karnabahar pirinci (her porsiyonda 100 kalori fark), normal makarna ile protein makarnası ve Yunan yoğurdu ile normal yoğurt yer alır.

2. Görünmez Yağ Problemi

Bu, yapay zeka gıda taramada muhtemelen en büyük sistematik hatadır. Bir sebze sote, salata veya fırınlanmış sebzelerin fotoğrafını çektiğinizde, yapay zeka gıda maddelerini görebilir ancak pişirme yağını göremez. İki yemek kaşığı zeytinyağı 239 kalori ve 27g yağ ekler — ve bunlar fotoğrafta tamamen görünmezdir.

Kalori etkisi: Pişirme yöntemine bağlı olarak, her öğünde 100-300+ kalori.

2022 yılında European Journal of Clinical Nutrition'da yayınlanan bir analiz, pişirme yağları ve eklenen yağların, fotoğraf tabanlı gıda kaydında izlenmeyen kalori kaynaklarının en büyük kaynağını oluşturduğunu ve AI fotoğraf takibi kullanan katılımcılar arasında ortalama günlük 250-400 kalori eksik tahmin yapıldığını buldu.

3. Gizli Katman Problemi

Bir smoothie kasesinin fotoğrafını çekiyorsunuz. Yapay zeka, üstteki malzemeleri — granola, dilimlenmiş muz, meyveleri görüyor. Görünene dayanarak bir tahmin yapıyor. Ancak o kasede, tamamen gizlenmiş 2 yemek kaşığı badem ezmesi (190 kalori) ve bir ölçek protein tozu (120 kalori) var.

Kalori etkisi: Görünmeyen malzemelerden 190-310 kalori.

Bu, gizli katmanlara sahip her yemek için geçerlidir: sandviçler (yapay zeka ne kadar mayonez olduğunu göremez), burritolar (gizli pirinç, fasulye ve ekşi krema miktarları), pizza (üstteki malzemelerin altında peynir miktarı) ve katmanlı tatlılar.

4. Sos ve Sos Hatası

Üstten fotoğraflanan bir ızgara tavuk salatası, marul, domates, salatalık, ızgara tavuk ve biraz parlayan bir şey gösteriyor. O parlayan şey, hafif bir vinaigrette (30 kalori) veya cömert bir ranch sosu (290 kalori) olabilir. Yapay zeka tahminde bulunmak zorunda.

Kalori etkisi: Sos türüne ve miktarına bağlı olarak 50-260 kalori.

5. Porsiyon Boyutu Tahmin Hatası

Yapay zeka porsiyon tahmini genellikle üç yöntemden birini kullanır: tabak boyutuyla karşılaştırma (standart tabak boyutları varsayarak), ortalama porsiyonlar hakkında öğrenilmiş ön bilgiler veya (SnapCalorie durumunda) desteklenen cihazlarda LiDAR 3D tarama. Üç yöntem de önemli hata paylarına sahiptir.

Aynı tabakta 200g makarna ve 350g makarna, üstten bir fotoğrafta oldukça benzer görünebilir. Bu fark yaklaşık 195 kaloridir.

Kalori etkisi: Gıda kalori yoğunluğuna ve porsiyon hatasına bağlı olarak 50-250+ kalori.

6. Pişirme Yöntemi Kör Noktası

Bir tavuk butu ızgara (209 kalori/100g), yağda kızartılmış (245 kalori/100g) veya pane harcıyla derin yağda kızartılmış (260 kalori/100g) olabilir. Fotoğraftaki görsel fark hafif — biraz farklı kızartma desenleri ve yüzey dokusu. Ancak kalori farkı önemlidir.

Kalori etkisi: Her protein porsiyonu için 50-150 kalori.

7. İçecek Tahmin Problemi

Bir bardak portakal suyu, bir smoothie veya bir latte fotoğrafı çekmek, yapay zekaya neredeyse hiçbir şey sunmaz. İçeceğin rengi ana görsel ipucudur. Tam yağlı sütle yapılan 16 oz latte (190 kalori), yulaf sütüyle yapılan 16 oz latte (220 kalori) ve az yağlı sütle yapılan 16 oz latte (100 kalori) neredeyse aynı görünür.

Kalori etkisi: İçecek başına 50-120 kalori ve çoğu insan günde 2-4 içecek tüketir.

Yapay Zeka Yanlış Olduğunda Her Uygulama Ne Yapar?

Burada, yapay zeka takipçilerinin mimari farklılıkları pratikte önemli hale geliyor. Her hata senaryosu, uygulamanın tasarımına bağlı olarak farklı bir şekilde gelişiyor.

Cal AI: Hata Kalır

Cal AI, yalnızca yapay zeka mimarisi kullanır. Bir öğünün fotoğrafını çektiğinizde, yapay zeka bir tahmin oluşturur ve bunu gösterir. Eğer o tahmin yanlışsa, uygulamanın hatayı tespit edecek bir mekanizması yoktur. Karşılaştırma yapacak bir veritabanı, doğrulama adımı veya gıda tanımlamasının kullanıcı onayını isteme özelliği yoktur.

Farklı değerler yazarak girişi manuel olarak düzenleyebilirsiniz, ancak bu, doğru değerleri zaten bilmenizi gerektirir — bu da yapay zeka taramasının amacını bozar. Pratikte, çoğu kullanıcı yapay zekanın çıktısını kabul eder ve devam eder.

Kinoa-kuskus hatası için: Cal AI, kuskus kalorilerini kaydeder. Siz makul görünen bir sayı görürsünüz. Hata devam eder.

Görünmez yağ hatası için: Cal AI, göremediği pişirme yağlarını hesaba katmaz. İki yemek kaşığı zeytinyağından gelen 239 kalori, kaydınızda yoktur.

SnapCalorie: Hata Kalır (Daha İyi Porsiyonlarla)

SnapCalorie'nin ayırt edici özelliği, uyumlu iPhone'larda LiDAR sensörleri kullanarak 3D porsiyon tahmini yapmasıdır. Bu, porsiyon doğruluğunu gerçekten artırır — 2D fotoğraf analizinden daha güvenilir bir şekilde hacim tahmini yapabilir. Ancak, Cal AI ile aynı temel sınırlamayı paylaşır: beslenme verileri, AI modelinden gelir, doğrulanmış bir veritabanından değil.

Eğer yapay zeka gıdayı yanlış tanımlarsa, 3D tarama yardımcı olmaz. Yanlış gıdanın daha doğru bir porsiyon tahminini alırsınız.

Kinoa-kuskus hatası için: SnapCalorie, porsiyon boyutunu daha doğru tahmin edebilir ama yine de kuskus besin verilerini kaydeder. Kesin ölçülen yanlış bir cevap yine de yanlıştır.

Gizli katman problemi için: 3D tarama yüzey geometrisini yakalar ama katmanların arkasını göremez. Granolanın altında kalan badem ezmesi görünmez kalır.

Foodvisor: Yavaş Düzeltme Süreci

Foodvisor, karma bir yaklaşım sunar. İlk tanımlama için yapay zeka kullanır ancak bazı veritabanı destekleri vardır. Ayrıca günlüklerinizi gözden geçirebilecek diyetisyenlere erişim sağlar — ancak bu anlık değildir. Diyetisyen geri bildirimi genellikle saatler veya günler alır, bu da günlük kalori toplamınızın gerçek zamanlı olarak yanlış olmasına ve yalnızca geriye dönük olarak düzeltilmesine neden olur.

Sos tahmin hatası için: Foodvisor'ın yapay zekası, tüm fotoğraf tabanlı sistemler gibi aynı görsel sınırlamalara sahiptir. Diyetisyen inceleme özelliği hatayı yakalayabilir, ancak gün boyunca yanlış sayılarla gıda kararlarınızı vermeden önce değil.

Nutrola: Veritabanı Hatası Yakalar

Nutrola'nın mimarisi, yapay zekanın önerisi ile son kaydedilen giriş arasında doğrulanmış bir veritabanı ekler. Bir öğünün fotoğrafını çektiğinizde, yapay zeka gıda maddelerini tanımlar ve 1.8 milyon veya daha fazla doğrulanmış veritabanı kaydından eşleşmeler önerir. Yapay zekanın önerilerini veritabanından alternatif eşleşmelerle birlikte görürsünüz.

Kinoa-kuskus hatası için: Yapay zeka başlangıçta kuskusu önerebilir, ancak veritabanı hem kuskus hem de kinoayı doğrulanmış besin profilleriyle seçenek olarak sunar. Kinoanızı tanıyıp doğru girişi seçersiniz. Kaydedilen veriler doğrulanmış bir kaynaktan gelir.

Görünmez yağ hatası için: Bir sebze sote fotoğrafı çektikten sonra, "zeytinyağı, 2 yemek kaşığı" ekleyebilirsiniz; bu, ses kaydı veya veritabanı araması yoluyla yapılır. Giriş, doğrulanmış verilerden gelir — 239 kalori, 27g yağ. Nutrola'nın çoklu giriş tasarımı (fotoğraf, ses, barkod ve manuel arama) kameranın göremediği şeyler için her zaman bir yedek yöntem sunar.

Gizli katman problemi için: Yapay zeka, görünür smoothie kasesi malzemelerini tanımlar. Siz ses kaydı ile "iki yemek kaşığı badem ezmesi ve bir ölçek whey protein ekle" derseniz — her ikisi de tam besin profilleri ile doğrulanmış veritabanı girişlerinden çekilir.

Hata Karşılaştırma Tablosu

Hata Senaryosu	Cal AI	SnapCalorie	Foodvisor	Nutrola
Görsel olarak benzer gıda değişimi	Yanlış veri sessizce kaydedilir	Yanlış veri sessizce kaydedilir	Diyetisyen incelemesi ile yakalayabilir (gecikmeli)	Veritabanı alternatifleri gösterir, kullanıcı doğru eşleşmeyi seçer
Görünmez pişirme yağı	Tespit edilmez, 100-300 kalori kaybolur	Tespit edilmez, 100-300 kalori kaybolur	Diyetisyen girişi olmadan tespit edilmez	Ses veya arama ile doğrulanmış yağ girişi eklenir
Gizli malzeme katmanları	Tespit edilmez	3D tarama yalnızca yüzeyi yakalar	Diyetisyen girişi olmadan tespit edilmez	Ek malzemeler ses/arama ile eklenir
Sos/sos miktarı	AI tür ve miktarı tahmin eder	AI tür ve miktarı tahmin eder	AI tahmin eder, diyetisyen daha sonra düzeltebilir	Belirli sos türü için veritabanı girişi seçilir
Porsiyon boyutu hatası	Sadece 2D tahmini	3D LiDAR yardımcı olur (varsa)	2D tahmini	Veritabanı standart porsiyonları artı kullanıcı ayarlaması
Pişirme yöntemi bilinmiyor	AI pişirme yöntemini tahmin eder	AI pişirme yöntemini tahmin eder	AI pişirme yöntemini tahmin eder	Kullanıcı veritabanından özel pişirme yöntemini seçer (ızgara vs. kızartma)
İçecek tahmini	Renk bazlı tahmin	Renk bazlı tahmin	Renk bazlı tahmin	Belirli içeceği ses kaydı ile ekle, veritabanı doğrulanmış verileri sağlar

Küçük Hataların Büyük Problemlere Dönüşmesi

Yukarıda listelenen bireysel hatalar yönetilebilir gibi görünebilir. Burada 100 kalorilik bir eksiklik, orada 80 kalorilik bir eksiklik. Ancak, tam gün boyunca yeme alışkanlıkları üzerindeki birikim etkisi, bu durumu ciddi bir takip sorunu haline getirir.

Gerçekçi Bir Gün Yapay Zeka Tarama Hataları

Bir AI yalnızca tarayıcı ile takip edilen tipik bir günü düşünün.

Öğün	AI Tahmini	Gerçek Kaloriler	Hata	Hata Kaynağı
Kahvaltı: Bal ve bademli yulaf ezmesi	310 kalori	420 kalori	-110 kalori	Bal ve badem miktarları düşük tahmin edildi
Sabah kahvesi: Yulaf sütlü latte	90 kalori	220 kalori	-130 kalori	Süt türü ve boyutu yanlış
Öğle: Tavuklu sebze sote ve pirinç	480 kalori	680 kalori	-200 kalori	Pişirme yağı tespit edilmedi, porsiyon düşük tahmin edildi
Öğleden sonra atıştırmalık: Protein bar (fotoğraflandı)	180 kalori	210 kalori	-30 kalori	Bar türü biraz yanlış tanımlandı
Akşam yemeği: Et soslu makarna ve parmesan	550 kalori	740 kalori	-190 kalori	Sos içindeki yağ, peynir miktarı, porsiyon boyutu
Günlük toplam	1,610 kalori	2,270 kalori	-660 kalori

Bu kullanıcı 1,610 kalori yediğini düşünüyor. Aslında 2,270 kalori aldı. Eğer hedef açığı günde 1,800 kalori ise, kendisinin hedefinin 190 kalori altında olduğunu düşünüyor. Aslında 470 kalori üzerinde. Bir hafta boyunca, bu, düşündüğünden 3,290 kalori daha fazla — kaybedilmesi gereken yaklaşık bir pound vücut ağırlığı.

Araştırmalarda belirlenen sistematik düşük tahmin yanlılığı burada açıkça görülmektedir. Yapay zeka, kalori yoğun bileşenleri (yağlar, kuruyemişler, peynir, soslar) sürekli olarak düşük tahmin eder çünkü bunlar görsel olarak değerlendirilmesi en zor olan unsurlardır.

Düzeltme İş Akışı Önemlidir

Bir kullanıcı hata şüphesi duyduğunda, düzeltme iş akışı uygulamalar arasında dramatik şekilde farklılık gösterir.

AI Yalnızca Uygulamada Düzeltme

1. Kullanıcı sayının yanlış göründüğünü düşünür
2. Kullanıcı AI girişini siler
3. Kullanıcı bir gıda tanımı ve kalori tahmini yazar
4. Yeni giriş, kullanıcının tahminidir — hala doğrulanmamıştır
5. Bir doğrulanmamış tahmin, diğerinin yerine geçer

Nutrola'da Düzeltme

1. Kullanıcı sayının yanlış göründüğünü düşünür
2. Kullanıcı girişi tıklar ve veritabanı alternatiflerini görür
3. Kullanıcı doğrulanmış girişlerden doğru gıdayı seçer
4. Ya da kullanıcı doğru gıdayı sesle tanımlar ve veritabanı sonuçlarından seçer
5. Ya da kullanıcı, kesin üretici verileri için paketlenmiş bir bileşenin barkodunu okur
6. Düzeltme, 100'den fazla besin alanıyla doğrulanmış bir kaynaktan gelir

Fark sadece hız değildir. Düzeltmenin kendisi de doğrulanmıştır. AI yalnızca bir uygulamada, yanlış bir AI tahminini manuel bir tahminle düzeltmek, bir doğrulanmamış sayıyı diğerinin yerine koymaktır. Veritabanı destekli bir uygulamada, düzeltme, diyetisyenlerin ve beslenme araştırmacılarının kullandığı aynı doğrulanmış veri kaynağından çekilir.

Hangi Hatalar Kabul Edilebilir?

Tüm kalori takip hataları eşit derecede sorunlu değildir. Ciddiyeti, kullanıcının hedeflerine bağlıdır.

Genel farkındalık için: Her öğünde %10-20'lik hatalar kabul edilebilir. AI yalnızca takip yeterlidir. Bireysel sayılar yaklaşık olsa bile, yeme alışkanlıklarınız hakkında faydalı bir resim elde edersiniz.

Orta düzey kilo yönetimi için: Hataların günlük %10'un altında kalması gerekir. Bu, büyük hata modlarını (pişirme yağları, gizli malzemeler) yakalamayı gerektirir, bireysel öğelerde küçük yanlışlıklar olsa bile. Bir veritabanı yedeği değerli hale gelir.

Kesin açık veya fazla hedefleri için: Günlük doğruluk %5 içinde olmalıdır. Bu, mümkün olduğunca çok öğe için doğrulanmış veriler anlamına gelir; AI, yalnızca kolaylık için kullanılmalıdır, tek veri kaynağı olarak değil. Doğrulanmış bir veritabanı esasen gereklidir.

Tıbbi beslenme terapisi için: Doğruluk gereksinimleri en yüksektir. Belirli besin takibi (sodyum, potasyum, fosfor, belirli amino asitler) kapsamlı doğrulanmış veriler gerektirir; yapay zeka tahmini bunu sağlayamaz. Yalnızca kapsamlı besin profillerine sahip veritabanı destekli takipçiler bu ihtiyacı karşılayabilir.

Yapay Zeka Gıda Taramanın İyi Yaptığı Şeyler

Yukarıda tanımlanan hata modlarına rağmen, yapay zeka gıda taramanın sağladığı gerçek bir değer vardır ve bu göz ardı edilmemelidir.

Hızlıdır. Bir öğünün fotoğrafını çekmek 2-3 saniye alır. Karmaşık bir yemeğin her bileşeni için veritabanında manuel arama yapmak 1-3 dakika sürebilir. Yoğun insanlar için bu hız farkı, takip edip etmeyeceklerini belirler.

Manuel olarak kaydetmesi zor olan yemekleri yakalar. Yedi bileşenli karmaşık bir restoran tabağını bireysel veritabanı aramalarına ayırmak zahmetlidir. Bir yapay zeka taraması, düzeltilebilecek makul bir başlangıç noktası sağlar.

Takip etme engelini azaltır. Başarılı kalori takibinin en büyük belirleyicisi tutarlılıktır. Eğer yapay zeka taraması, birinin yemeklerinin %95'ini takip etmesini sağlıyorsa, %60 yerine, %5-10'luk doğruluk maliyeti, veri kapsamının iyileştirilmesi için değerli olabilir.

Optimal sistem yalnızca AI değil ya da yalnızca veritabanı değildir. Hız ve kolaylık için AI, doğruluk ve düzeltme için doğrulanmış bir veritabanı ile desteklenmelidir. Nutrola'nın uyguladığı mimari tam olarak budur — hızlı ilk kayıtlama için AI fotoğraf ve ses tanıma, 1.8 milyon veya daha fazla doğrulanmış veritabanı girişi ile gerçek besin verileri, paketlenmiş gıdalar için barkod tarama ve her girişin doğrulanmış kaynaklarla düzeltme yeteneği.

Yapay Zeka Tarama Hatalarından Kendinizi Nasıl Korursunuz

Hangi uygulamayı kullanırsanız kullanın, bu uygulamalar yapay zeka gıda tarama hatalarının etkisini azaltır.

Pişirme yağlarını ayrı kaydedin. Her zaman pişirme yağlarını, tereyağını veya spreyleri ayrı girişler olarak ekleyin. Hiçbir yapay zeka bunları fotoğrafta göremez ve bunlar izlenmeyen kalorilerin en büyük kaynağıdır.

Paketlenmiş gıdalar için barkod taraması kullanın. Barkod mevcut olduğunda, her zaman fotoğraf taramasından daha doğrudur. Besin verileri doğrudan ürün etiketinden gelir.

Sıradışı tahminleri kontrol edin. Eğer bir yapay zeka tahmini şaşırtıcı derecede düşük veya yüksek görünüyorsa, bu içgüdü araştırmaya değer. "600 kalori gibi" hissedilen bir öğün, 350 kalori olarak taranıyorsa, muhtemelen yapay zekanın kaçırdığı görünmeyen bileşenler vardır.

Karmaşık yemekler için ses kaydı kullanın. "İki fincan fırınlanmış brokoli ile yaklaşık 6 ons ızgara somon fileto ve bir yemek kaşığı zeytinyağı" tanımlamak, fotoğrafın sağlayabileceğinden çok daha fazla bilgi verir.

Doğrulama katmanına sahip bir takipçi seçin. Yapay zeka hatalarına karşı en basit koruma, yapay zekanın önerdiği ve doğrulanmış bir veritabanının doğruladığı bir uygulama kullanmaktır. Nutrola'nın mimarisi — AI girişi artı 1.8 milyon veya daha fazla doğrulanmış giriş, €2.50/ay ücretsiz deneme sonrası — tam olarak yapay zekanın ciddi beslenme takibi için yeterince güvenilir olmadığı gerçeğinden kaynaklanmaktadır. Veritabanı, bir premium ek değil, AI'yı yalnızca hızlı değil, kullanışlı hale getiren temeldir.

Yapay zeka gıda taraması yanlış gittiğinde — ve bu düzenli olarak olacaktır — tek önemli şey, takipçinizin bunu yakalamak için bir sisteme sahip olup olmadığıdır. O sistem, doğrulanmış bir veritabanıdır. Olmadan, verilerinizi tahminler üzerine inşa ediyorsunuz gibi görünür.